신호 수준 시뮬레이션(Signal-Level Simulation)

개요

픽셀 설계의 양자 효율(QE) 스펙트럼을 계산한 후, 다음 단계는 실제 이미징 조건에서의 신호 수준을 예측하는 것입니다. 이 가이드는 실용적·코드 중심의 워크스루입니다.

이론 배경

QE를 전자로 변환하는 적분과 그 기저 모델 — 광원 SPD, 장면 반사율, 렌즈 투과율 — 은 신호 체인을 참고하세요. 노이즈와 SNR 측면은 노이즈, SNR, 다이나믹 레인지를 참고하세요.

워크플로우

QE 시뮬레이션을 실행하여 각 색상 채널의 ${QE}_{i} (λ)$ 획득
광원(Illuminant) 분광 전력 분포 정의
장면 반사율(Scene Reflectance) 지정
카메라 모듈 광학계(렌즈 투과율, IR 필터) 구성
전자 수로 픽셀 신호를 계산하고 결과 분석

인터랙티브 신호 체인 다이어그램

신호 체인의 각 단계를 통해 스펙트럼을 추적합니다. 광원과 장면을 선택하여 각 단계에서 스펙트럼이 어떻게 변환되는지 확인하세요.

광원 선택:

장면 선택:

☀

광원

L(λ)

→

🎨

장면

R(λ)

→

🔍

렌즈

T_lens(λ)

→

🛡

IR 필터

T_IR(λ)

→

▣

센서

QE(λ)

→

⚡

신호

N_e

빨간색 신호:0.05

초록색 신호:0.09

파란색 신호:0.06

R/G 비율:0.565

B/G 비율:0.727

채널별 신호 (QE 적분)

R0.05

G0.09

B0.06

광원 설정(Setting Up Illuminants)

Illuminant 클래스는 일반적인 광원에 대한 팩토리 메서드를 제공합니다:

python

from compass.sources.illuminant import Illuminant
import numpy as np

# 파장 격자 정의 (마이크로미터 단위)
wavelengths = np.arange(0.38, 0.781, 0.01)

# 5500K 흑체 (근사 주광)
daylight = Illuminant.blackbody(5500, wavelengths)

# CIE D65 (표준 평균 주광)
d65 = Illuminant.cie_d65(wavelengths)

# CIE 광원 A (백열등, 2856K)
cia = Illuminant.cie_a(wavelengths)

# 삼파장 형광등 (CIE F11)
f11 = Illuminant.cie_f11(wavelengths)

# 백색 LED (청색 펌프 + 형광체, CCT 지정)
led = Illuminant.led_white(5000, wavelengths)

각 광원 객체는 $L (560 nm) = 1.0$ 으로 정규화된 분광 전력 분포(SPD)를 저장합니다. SPD를 조사하고 도시할 수 있습니다:

python

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 5))
for name, illum in [("D65", d65), ("A", cia), ("F11", f11), ("LED 5000K", led)]:
    ax.plot(illum.wavelengths * 1000, illum.spd, label=name)

ax.set_xlabel("파장 (nm)")
ax.set_ylabel("상대 SPD")
ax.set_title("표준 광원 스펙트럼")
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()

측정 데이터로부터 사용자 정의 광원

측정된 SPD(예: 분광기에서)가 있는 경우, 원시 배열로부터 광원을 생성합니다:

python

# 측정 데이터 로드: 열은 파장(nm)과 상대 전력
data = np.loadtxt("measured_led.csv", delimiter=",", skiprows=1)
wl_um = data[:, 0] / 1000  # nm을 um으로 변환
spd = data[:, 1]

custom = Illuminant(wavelengths=wl_um, spd=spd, name="Custom LED")

인터랙티브 흑체 스펙트럼 뷰어

색온도를 조정하여 흑체 스펙트럼의 변화를 확인하세요. 비교를 위해 표준 광원 오버레이를 활성화할 수 있습니다.

색온도: 5500 K

CIE D65 CIE A CIE F11 LED White

CCT:5500 K

λ_max:527 nm

상대 가시광 출력:71.1%

근사 색상

장면 반사율 정의(Defining Scene Reflectance)

장면 반사율은 각 파장에서 카메라를 향해 반사되는 빛의 양을 결정합니다. COMPASS는 일정 반사율과 분광 반사율 프로파일을 지원합니다.

일정 반사율 (회색 타겟)

중립 회색 카드의 경우:

python

# 18% 회색 카드 -- 표준 노출 기준
scene_reflectance = 0.18

# 또는 파장별 일정 값 지정
scene_reflectance = np.full_like(wavelengths, 0.18)

분광 반사율 (유채색 타겟)

유채색 패치(예: 맥베스 컬러체커)의 경우, 내장 패치 라이브러리를 사용합니다:

python

from compass.sources.scene import SceneReflectance

# 맥베스 컬러체커 패치 로드
red_patch = SceneReflectance.macbeth("red")
green_patch = SceneReflectance.macbeth("green")
blue_patch = SceneReflectance.macbeth("blue")

# 반사율 곡선 도시
fig, ax = plt.subplots(figsize=(10, 5))
for name, patch in [("빨간색", red_patch), ("녹색", green_patch), ("파란색", blue_patch)]:
    ax.plot(patch.wavelengths * 1000, patch.reflectance, label=name)

ax.set_xlabel("파장 (nm)")
ax.set_ylabel("반사율")
ax.set_title("맥베스 컬러체커 패치 반사율")
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()

사용자 정의 분광 반사율

python

# 사용자 정의 분광 반사율 (예: 좁은 대역 녹색 물체)
custom_refl = SceneReflectance(
    wavelengths=wavelengths,
    reflectance=0.5 * np.exp(-0.5 * ((wavelengths - 0.55) / 0.03) ** 2) + 0.05,
    name="좁은 대역 녹색"
)

모듈 광학계 구성(Configuring Module Optics)

카메라 모듈은 렌즈 투과율과 IR 필터링을 도입합니다:

python

from compass.sources.optics import ModuleOptics

optics = ModuleOptics(
    lens_transmittance=0.90,       # 총 렌즈 T (또는 분광 배열 제공)
    ir_cutoff_nm=650,              # IR 필터 50% 차단 파장
    ir_transition_nm=15,           # 천이 영역 반폭
    f_number=2.0,                  # 렌즈 F-넘버
    pixel_pitch_um=1.0,            # 픽셀 피치
)

분광 렌즈 투과율(예: Zemax 내보내기)의 경우:

python

# 설계 데이터로부터의 분광 렌즈 투과율
lens_t_data = np.loadtxt("lens_transmittance.csv", delimiter=",", skiprows=1)
optics = ModuleOptics(
    lens_transmittance=lens_t_data[:, 1],  # 분광 T(lambda)
    lens_wavelengths=lens_t_data[:, 0] / 1000,  # nm을 um으로 변환
    ir_cutoff_nm=650,
    f_number=2.0,
    pixel_pitch_um=1.0,
)

픽셀 신호 계산(Computing Pixel Signal)

QE 결과를 광원, 장면, 광학계와 결합하여 신호를 계산합니다:

python

from compass.analysis.signal_calculator import SignalCalculator
from compass.analysis.qe_calculator import QECalculator

# 시뮬레이션 결과에서 채널별 QE 획득
channel_qe = QECalculator.spectral_response(result.qe_per_pixel, result.wavelengths)

# 신호 계산기 생성
calc = SignalCalculator(
    illuminant=d65,
    scene_reflectance=0.18,
    optics=optics,
    exposure_time_ms=10.0,
)

# 각 채널의 전자 수로 신호 계산
signals = calc.compute_signal(channel_qe)

print("신호 수준 (전자):")
print(f"  Red:   {signals['R']:.0f} e-")
print(f"  Green: {signals['G']:.0f} e-")
print(f"  Blue:  {signals['B']:.0f} e-")
print(f"  R/G 비율: {signals['R'] / signals['G']:.3f}")
print(f"  B/G 비율: {signals['B'] / signals['G']:.3f}")

신호대잡음비(Signal-to-Noise Ratio)

샷 노이즈, 암전류, 읽기 잡음을 포함한 SNR 계산:

python

snr = calc.compute_snr(
    channel_qe,
    dark_current_e_per_s=5.0,    # 암전류 (e-/s)
    read_noise_e=2.5,            # 읽기 잡음 (e- rms)
)

print("SNR (dB):")
for ch, val in snr.items():
    print(f"  {ch}: {val:.1f} dB")

화이트 밸런스 분석(White Balance Analysis)

다양한 광원에서의 화이트 밸런스 특성 평가:

python

# 여러 광원에 대한 화이트 밸런스 게인 계산
illuminants = {
    "D65": Illuminant.cie_d65(wavelengths),
    "A": Illuminant.cie_a(wavelengths),
    "F11": Illuminant.cie_f11(wavelengths),
    "LED 5000K": Illuminant.led_white(5000, wavelengths),
}

print("화이트 밸런스 분석 (18% 회색):")
print(f"{'광원':<15} {'R/G':>8} {'B/G':>8} {'Gain_R':>8} {'Gain_B':>8}")
print("-" * 55)

for name, illum in illuminants.items():
    calc_wb = SignalCalculator(
        illuminant=illum,
        scene_reflectance=0.18,
        optics=optics,
        exposure_time_ms=10.0,
    )
    sig = calc_wb.compute_signal(channel_qe)
    rg = sig['R'] / sig['G']
    bg = sig['B'] / sig['G']
    gain_r = 1.0 / rg
    gain_b = 1.0 / bg
    print(f"{name:<15} {rg:>8.3f} {bg:>8.3f} {gain_r:>8.3f} {gain_b:>8.3f}")

예제: 다양한 광원에서의 색 정확도(Color Accuracy Under Different Illuminants)

이 예제는 다양한 광원에서 픽셀 설계가 맥베스 컬러체커 색상을 얼마나 잘 재현하는지 평가합니다:

python

from compass.analysis.signal_calculator import SignalCalculator
from compass.analysis.qe_calculator import QECalculator
from compass.sources.illuminant import Illuminant
from compass.sources.scene import SceneReflectance
import numpy as np

# QE 결과 로드
channel_qe = QECalculator.spectral_response(result.qe_per_pixel, result.wavelengths)
wavelengths = result.wavelengths

# 광원 정의
illuminants = {
    "D65": Illuminant.cie_d65(wavelengths),
    "A": Illuminant.cie_a(wavelengths),
    "LED 5000K": Illuminant.led_white(5000, wavelengths),
}

# 테스트할 맥베스 패치
patches = ["red", "green", "blue", "cyan", "magenta", "yellow",
           "dark_skin", "light_skin", "blue_sky", "foliage"]

for illum_name, illum in illuminants.items():
    print(f"\n=== {illum_name} ===")
    calc = SignalCalculator(
        illuminant=illum,
        optics=optics,
        exposure_time_ms=10.0,
    )

    # 먼저 중립 회색에서 WB 게인 계산
    grey_sig = calc.compute_signal(channel_qe, scene_reflectance=0.18)
    wb_r = grey_sig['G'] / grey_sig['R']
    wb_b = grey_sig['G'] / grey_sig['B']

    print(f"  WB 게인: R={wb_r:.3f}, B={wb_b:.3f}")
    print(f"  {'패치':<15} {'R_wb':>8} {'G':>8} {'B_wb':>8}")
    print(f"  {'-'*45}")

    for patch_name in patches:
        patch = SceneReflectance.macbeth(patch_name)
        sig = calc.compute_signal(channel_qe, scene_reflectance=patch)
        r_wb = sig['R'] * wb_r
        g = sig['G']
        b_wb = sig['B'] * wb_b
        # 녹색으로 정규화
        total = r_wb + g + b_wb
        print(f"  {patch_name:<15} {r_wb/total:>8.3f} {g/total:>8.3f} {b_wb/total:>8.3f}")

YAML을 통한 설정

신호 시뮬레이션 파라미터는 YAML 설정 파일로도 지정할 수 있습니다:

yaml

signal:
  illuminant: "D65"                  # "D65", "A", "F11", "LED", 또는 "blackbody"
  illuminant_cct: 5000               # LED 또는 흑체의 CCT
  scene_reflectance: 0.18            # 스칼라 또는 분광 CSV 경로
  optics:
    lens_transmittance: 0.90
    ir_cutoff_nm: 650
    ir_transition_nm: 15
    f_number: 2.0
    pixel_pitch_um: 1.0
  exposure_time_ms: 10.0
  noise:
    dark_current_e_per_s: 5.0
    read_noise_e: 2.5

python

from compass.config import Config

config = Config.load("simulation.yaml")
calc = SignalCalculator.from_config(config.signal, wavelengths)
signals = calc.compute_signal(channel_qe)

다음 단계

양자 효율 이론 -- QE 계산 이해
신호 체인 이론 -- 완전한 복사 측정 신호 체인 유도
원뿔 조명 -- 실제 렌즈 조명 모델링
시각화 -- 신호 및 QE 결과 도시

신호 수준 시뮬레이션(Signal-Level Simulation) ​

개요 ​

워크플로우 ​

인터랙티브 신호 체인 다이어그램

채널별 신호 (QE 적분)

광원 설정(Setting Up Illuminants) ​

측정 데이터로부터 사용자 정의 광원 ​

인터랙티브 흑체 스펙트럼 뷰어

장면 반사율 정의(Defining Scene Reflectance) ​

일정 반사율 (회색 타겟) ​

분광 반사율 (유채색 타겟) ​

사용자 정의 분광 반사율 ​

모듈 광학계 구성(Configuring Module Optics) ​

픽셀 신호 계산(Computing Pixel Signal) ​

신호대잡음비(Signal-to-Noise Ratio) ​

화이트 밸런스 분석(White Balance Analysis) ​

예제: 다양한 광원에서의 색 정확도(Color Accuracy Under Different Illuminants) ​

YAML을 통한 설정 ​

다음 단계 ​

신호 수준 시뮬레이션(Signal-Level Simulation)

개요

워크플로우

광원 설정(Setting Up Illuminants)

측정 데이터로부터 사용자 정의 광원

장면 반사율 정의(Defining Scene Reflectance)

일정 반사율 (회색 타겟)

분광 반사율 (유채색 타겟)

사용자 정의 분광 반사율

모듈 광학계 구성(Configuring Module Optics)

픽셀 신호 계산(Computing Pixel Signal)

신호대잡음비(Signal-to-Noise Ratio)

화이트 밸런스 분석(White Balance Analysis)

예제: 다양한 광원에서의 색 정확도(Color Accuracy Under Different Illuminants)

YAML을 통한 설정

다음 단계